基于加速度计的多维睡眠健康特征与全表型关联研究揭示睡眠不良谱系对76种疾病的遗传和环境风险

本研究通过UK Biobank队列85,233例加速度计数据，首次构建整合睡眠时相(timing)、效率(efficiency)、时长(duration)、节律性(rhythmicity)和规律性(regularity)五维度的"不良睡眠谱系"(USP)指标。采用全表型关联研究(PheWAS)发现USP与76种疾病风险显著相关，并通过全基因组测序鉴定MEIS1常见变异和TTC1罕见编码变异的关键作用。该研究为睡眠健康的多维评估提供了客观量化框架，发表于《Nature Communications》。

　　

在现代社会，睡眠问题已成为威胁公共健康的隐形杀手。尽管美国心脏协会已将睡眠健康纳入"生命必需八要素"，世界卫生组织也强调睡眠对脑健康的关键作用，但传统研究多聚焦单一睡眠特征（如失眠或睡眠时长），忽视了睡眠本身的多维属性。更棘手的是，现有研究主要依赖主观报告数据，这些数据不仅与客观测量结果相关性差，更难以捕捉睡眠节律性和规律性等关键维度。这种碎片化的认知方式严重制约了我们对睡眠健康与疾病关系的系统理解。

为突破这些局限，来自中国的研究团队创新性地利用英国生物银行(UK Biobank)85,233名参与者的加速度计数据，开展了迄今为止最大规模的客观睡眠研究。通过分析587,152人夜的监测数据，研究人员构建了名为"不良睡眠谱系"(Unfavorable Sleep Profile, USP)的综合指标，该指标同步评估睡眠时相、效率、时长、节律性和规律性五个维度。这项开创性工作发表于《Nature Communications》，为睡眠健康研究树立了新范式。

研究团队采用多组学技术策略：首先通过加速度计获取26项客观睡眠参数，经探索性因子分析(EFA)提取五维睡眠特征；继而运用潜在类别分析(LPA)划分睡眠表型；随后开展全表型关联研究(PheWAS)分析526种疾病结局；最后通过全基因组测序(WGS)和全外显子组测序(WES)解析遗传基础。队列数据来自UK Biobank和中风多民族研究(MESA)。

研究结果部分呈现四大发现：

"睡眠特征提取与USP构建"显示，五维模型解释77%总方差，其中节律性作为独立维度首次被客观验证。LPA分析鉴定出占18.9%的USP人群，其特征为延迟的睡眠时相、低效率(<85%)、短时长(<6h)、弱节律性(IS<0.6)和高日间变异(IV>0.4)。

"USP的疾病关联图谱"通过PheWAS发现USP显著增加76种疾病风险，包括心衰(HR=1.35)、2型糖尿病(HR=1.31)等代谢性疾病，以及电解质紊乱(HR=1.30)、下肢骨折(HR=1.37)等新关联。人群归因分值(PAF)显示消除USP可预防2.3%-12.3%的疾病负担。

"环境决定因素分析"揭示低社会经济地位(OR=1.23)、肥胖(OR=1.94)和冬季(OR=1.15)是USP主要环境风险源。有趣的是，咖啡因摄入未显示显著关联，挑战了传统认知。

"遗传架构解析"方面，全基因组分析发现MEIS1基因内含子变异rs113851554(P=3.2×10^-9)与USP相关，而TTC1基因的罕见截短变异(PTVs)通过聚集效应影响睡眠(P=1.5×10^-6)。孟德尔随机化分析支持USP对焦虑障碍的潜在因果效应。

这项研究的意义在于：首次建立基于客观数据的多维睡眠评估标准，证实睡眠不良特征具有协同致病效应。发现的MEIS1-TTC1遗传通路为睡眠调控机制提供新见解。更重要的是，USP框架在MESA队列中得到验证，表明其跨人群适用性。该成果不仅为临床睡眠评估提供实用工具，更提示改善多维睡眠健康可能同时预防多种慢性疾病，具有重要公共卫生价值。未来研究可探索USP在精准睡眠医学中的应用，并开发针对MEIS1-TTC1通路的靶向干预策略。